ĐỀ cƯƠng chi tiẾt hỌc phẦn nhẬn dẠng mẪu

1

HỌC VIỆN KỸ THUẬT QUÂN SỰ

KHOA CÔNG NGHỆ THÔNG TIN

CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM

Độc lập – Tự do – Hạnh phúc

ĐỀ CƯƠNG CHI TIẾT HỌC PHẦN

NHẬN DẠNG MẪU

1. Thông tin về giáo viên

TT Họ tên giáo viên Học hàm Học vị Bộ môn

1 Ngô Hữu Phúc GVC TS BM Khoa học máy tính

2 Nguyễn Việt Hùng GV TS BM Khoa học máy tính

Thời gian, địa điểm làm việc: Bộ môn Khoa học máy tính – Tầng 2 nhà A1 –

Học viện Kỹ thuật Quân sự.

Địa chỉ liên hệ: 100 Hoàng Quốc Việt – Bộ môn Khoa học máy tính – Khoa

Công nghệ thông tin – Học viện Kỹ thuật Quân sự.

Điện thoại, email: 098 56 96 580; [email protected]

Các hướng nghiên cứu chính: Xử lý ảnh, Trí tuệ nhân tạo, Nhận dạng mẫu,

Tính toán mềm, Xử lý tiếng nói.

2. Thông tin chung về học phần

- Tên học phần: Nhận dạng mẫu.

- Mã học phần:

- Số tín chỉ: 3

- Học phần:

Bắt buộc:

Lựa chọn:

- Các học phần tiên quyết: Toán rời rạc, Lập trình cơ bản, Trí tuệ nhân tạo.

- Các học phần kế tiếp: Nhập môn xử lý ảnh, Mã hóa thông tin, Mạng

Neuron, Tính toán mềm.

- Các yêu cầu đối với học phần (nếu có):

- Giờ tín chỉ đối với các hoạt động:

Nghe giảng lý thuyết: 30 tiết.

Làm bài tập trên lớp: 15 tiết.

Thảo luận: 6 tiết

Thực hành, thực tập (ở PTN, nhà máy, thực tập...): 9 tiết

Hoạt động theo nhóm:

Tự học: 90 tiết

2

- Địa chỉ Khoa/ Bộ môn phụ trách học phần: 100 Hoàng Quốc Việt – Bộ

môn Khoa học máy tính – Khoa Công nghệ thông tin – Học viện Kỹ thuật

Quân sự.

3. Mục tiêu của học phần

- Kiến thức: Cung cấp cho người học khái niệm cơ bản về Lý thuyết nhận

dạng, các hướng tiếp cận để giải quyết bài toán nhận dạng mẫu, các lĩnh

vực nghiên cứu và các lĩnh vực liên quan tới học phần. Sau khi học xong

học phần, người học có thể sử dụng các kiến thức đã được trang bị phân

tích đặc trưng đối tượng, phân lớp đối tượng và thực hiện một số bài toán

nhận dạng mẫu

- Kỹ năng: Người học cần có kỹ năng cơ bản của lập trình, cấu trúc dữ liệu,

lý thuyết xác suất

- Thái độ, chuyên cần: Cần có thái độ nghiêm túc trong nghe giảng và làm

bài tập đầy đủ.

4. Tóm tắt nội dung học phần (khoảng 150 từ)

Đây là học phần thuộc chuyên ngành Khoa học máy tính. Học phần giới

thiệu về một số khái niệm cơ bản của lý thuyết nhận dạng để giải quyết bài toán

nhận dạng mẫu. Học phần cung cấp các kiến thức về trích rút thông tin đặc trưng

trong bài toán nhận dạng, mô tả đặc trưng, các phương pháp tiếp cận trong nhận

dạng như: thống kê, phân tích xác suất, phân loại tuyến tính, phân loại phi tuyến.

Ngoài ra, học phần còn trang bị kiến thức cơ bản về mạng neuron được ứng

dụng trong nhận dạng. Cuối khóa học, người học được giới thiệu và hướng dẫn

xây dựng chương trình minh họa giải quyết bài toán nhận dạng đối tượng cụ thể.

5. Nội dung chi tiết học phần (tên các chương, mục, tiểu mục)

5.1. PHẦN GIẢNG DẠY TRÊN LỚP: 45 tiết

Chương Nội dung Số

tiết TLTK

1

Giới thiệu về nhận dạng mẫu.

1.1. Giới thiệu về học phần và tổ chức học phần.

1.2. Thế nào là nhận dạng mẫu.

1.3. Các khái niệm.

6 1,2,3,4,5

3


tiết TLTK

1.4. Các hệ thống nhận dạng mẫu.

1.5. Tiền xử lý và chuẩn hóa.

1.6. Lựa chọn đặc trưng.

1.7. Phương pháp phân lớp.

1.8. Đánh giá hệ thống.

1.9. Tóm tắt chương 1.

2

Nhận dạng mẫu dựa trên thống kê học.

2.1. Lý thuyết quyết định Bayes.

2.2. Hàm phân biệt và giải quyết vấn đề.

2.3. Phân bố chuẩn.

2.4. Lỗi biên và đo sự phân biệt.


6 2,3

3

Ước lượng hàm mật độ xác suất.

3.1. Ước lượng tham số trước.

3.2. Ước lượng tham số sau.

3.3. Ước lượng tham số Bayes.

3.4. Mô hình hỗn hợp.

3.5. Ước lượng Entropy.

3.6. Ước lượng không tham số.


6 2,3

4

Sự phân lớp dựa trên láng giềng gần nhất.

4.1. Phương pháp láng giềng gần nhất.

4.2. Phương pháp k láng giềng gần nhất.

4.3. Một số ví dụ về phương pháp láng giềng trong

nhận dạng.


3 3,4,5

5

Phân loại tuyến tính.

5.1. Hàm phân biệt tuyến tính.

5.2. Lớp khả tách tuyến tính.

5.3. Phương pháp bình phương nhỏ nhất.

5.4. Biến đổi đặc trưng tuyến tính.

6 3,4,5

4


tiết TLTK


6

Phân loại phi tuyến.

6.1. Phân loại tuyến tính suy rộng.

6.2. Định lý lớp phủ.

6.3. Máy hỗ trợ vector.


6 1,2,3,4,5

7

Mạng Neuron nhân tạo.

7.1. Mạng perceptron nhiều lớp (MLP).

7.2. Huấn luyện mạng MLP.

7.3. Giới thiệu một số bài toán nhận dạng sử dụng

mạng neural.


6 1,2,3,4,5

8 Ứng dụng và thực hành.

8.1. Giới thiệu một số ứng dụng trong thực tế. 6 1,2,3,4,5

Tổng 45

5.2. PHẦN THỰC HÀNH, THÍ NGHIỆM TẠI PTN:...........tiết

TT Bài TH, TN Số

tiết PTN TLTK

1

Tổng

5.3. PHẦN BÀI TẬP, TIỂU LUẬN NGOẠI KHÓA, HV ĐI THỰC

TIỄN: 15 tiết

TT Nội dung Số

tiết Địa điểm TLTK

1

Thực hành: Xây dựng chương trình thử

nghiệm cho bài tập được giới thiệu ở

chương 2.

3

Phòng

máy bộ

môn

1,2,3,4,5

2 Thực hành: Xây dựng chương trình thử 3 Phòng 1,2,3,4,5

5

TT Nội dung Số

tiết Địa điểm TLTK

nghiệm cho bài toán được giới thiệu ở

chương 4.

máy bộ

môn

3



chương 5.

3

Phòng

máy bộ

môn

1,2,3,4,5

4



chương 6.

3

Phòng

máy bộ

môn

1,2,3,4,5

5



chương 7.

3

Phòng

máy bộ

môn

1,2,3,4,5

Tổng 15

6. Giáo trình, tài liệu tham khảo

TT Tên tài liệu

Tình trạng tài liệu

Có

trên

thư

viện

Giáo viên

hoặc Khoa

có, cho

mượn để

TV pho tô

hoặc có File

Điện tử

Đề

nghị

mua

mới

Đề

nghị

biên

soạn

mới

1 Feature Extraction and Image

Processing; Mark S. Nixon - Alberto S.

Aguado; Reed Elsevier; 2002.

x

2 Statistical Pattern Recognition Toolbox

for Matlab; Vojtˇech Franc and V´aclav

Hlav´aˇ, June 24; MatLAB co; 2004.

x

3 Statistical Pattern Recognition, Second

Edition; Andrew R. Webb and QinetiQ

Ltd., Malvern; UK; 2002.

x

4 Neural Networks for Pattern

Recognition; Christopher M. Bishop;

Clarendon Press – Oxford; 1995.

x

5 Image Recognition and Classification; x

6

Bahram Javidi; Marcel Dekker; 2002.

7. Hình thức tổ chức dạy học

7.1. Lịch trình chung: (Ghi tổng số giờ cho mỗi cột)

Nội dung

Hình thức tổ chức dạy học học phần

Tổng

Lên lớp Thực

hành, thí

nghiệm,

thực tập...

Tự

học, tự

nghiên

cứu

Lý

thuyết Bài tập

Thảo

luận

Giới

thiệu về

nhận

dạng mẫu

6 0 0 0 12 18

Nhận

dạng mẫu

dựa trên

thống kê

học

6 3 0 0 12 21

Ước

lượng

hàm mật

độ xác

suất

6 0 0 0 12 18

Sự phân

lớp dựa

trên láng

giềng gần

nhất

3 3 0 0 6 12

Phân loại

tuyến

tính

6 3 0 0 12 21

Phân loại

phi tuyến 6 3 0 0 12 21

Mạng

Neuron

nhân tạo

6 3 0 0 12 21

Ứng

dụng và

thực hành

6 0 0 0 12 18

7.2. Lịch trình tổ chức dạy học cụ thể

7

Bài giảng 1: Giới thiệu về nhận dạng mẫu

Chương I - Mục: 1.1 - 1.4

Tiết thứ: 1-3 Tuần thứ: 1

Mục đích, yêu cầu:

Nắm được sơ lược về Học phần, các chính sách riêng của giáo viên, địa

chỉ Giáo viên, bầu lớp trưởng Học phần.

Nắm được các khái niệm về nhận dạng mẫu.

Nắm được các phương pháp tiếp cận trong lớp bài toán nhận dạng.

Nắm được các hệ thống nhận dạng mẫu.

Nắm được các ví dụ minh họa về nhận dạng mẫu.

- Hình thức tổ chức dạy học:

Lý thuyết

- Thời gian:

Lý thuyết: 3t

- Địa điểm:

Giảng đường do P2 phân công

- Nội dung chính:

1.1. Giới thiệu về học phần và tổ chức học phần.

1.2. Thế nào là nhận dạng mẫu.

1.3. Các khái niệm.

1.4. Các hệ thống nhận dạng mẫu.

- Yêu cầu SV chuẩn bị:

+ Chuẩn bị tài liệu 1,2,3,4,5.

+ Tìm hiểu ngôn C, C++ trên môi trường Visual C++ 2008 và

MathLAB.

Bài giảng 2: Giới thiệu về nhận dạng mẫu (tiếp theo)

Chương II - Mục: 1.5 - 1.8



Nắm được các phương pháp chuẩn hóa dữ liệu và tiền sử lý.

Phương pháp lựa chọn và trích rút đặc trưng.

Nắm được một số phương pháp phân lớp.

8

Nắm được phương pháp đánh giá sự hiệu quả của hệ thống.


Lý thuyết

- Thời gian:

Lý thuyết: 3t

- Địa điểm:



1.5. Tiền xử lý và chuẩn hóa.

1.6. Lựa chọn đặc trưng.

1.7. Phương pháp phân lớp.

1.8. Đánh giá hệ thống.



+ Nắm chắc kiến thức đã học. Sử dụng ngôn ngữ đã học để xây dựng thư

viện đọc dữ liệu âm thanh, hình ảnh.

+ Làm bài tập và gửi lại cho giáo viên vào tuần tới.

Bài giảng 3: Nhận dạng mẫu dựa trên thống kê học




Nắm được lý thuyết quyết định Bayes.

Nắm chắc khái niệm về Hàm phân biệt và giải quyết vấn đề.


Lý thuyết

- Thời gian:

Lý thuyết: 3t

- Địa điểm:



2.1. Lý thuyết quyết định Bayes.

2.2. Hàm phân biệt và giải quyết vấn đề.

9


+ Chuẩn bị tài liệu 2,3.

+ Chuẩn bị trước nội dung học tập theo slide.

+ Xây dựng chương trình đọc file ảnh. Xác định biên phân lớp bằng xác

suất.


Bài giảng 4: Nhận dạng mẫu dựa trên thống kê học (tiếp)




Nắm chắc khái niệm và ứng dụng đối với phân bố chuẩn.

Nắm chắc khái niệm lỗi biên.

Nắm được một số phương pháp đo lỗi biên.


Lý thuyết

- Thời gian:

Lý thuyết: 3t

- Địa điểm:



2.3. Phân bố chuẩn.

2.4. Lỗi biên và đo sự phân biệt.




+ Hoàn thiện việc xây dựng chương trình đọc file ảnh. Xác định biên phân

lớp bằng xác suất.


Bài giảng 5: Ước lượng hàm mật độ xác suất

Chương III - Mục: 3.1 -3.3



10

Nắm chắc lý do cần ước lượng trong bài toán nhận dạng sử dụng xác suất.

Nắm được khái niệm ước lượng trước, ước lượng sau, ước lượng tham số

Bayes.

Nắm được một số ví dụ dẫn chứng cần sử dụng ước lượng trong xác suất.


Lý thuyết

- Thời gian:

Lý thuyết: 3t ;

- Địa điểm:



3.1. Ước lượng tham số trước.

3.2. Ước lượng tham số sau.

3.3. Ước lượng tham số Bayes.




+ Nắm chắc kiến thức về ước lượng các tham số cho hàm mật độ xác suất.


Bài giảng 6: Ước lượng hàm mật độ xác suất (tiếp)

Chương III - Mục: 3.4 - 3.6



Nắm được khái niệm về mô hình hỗn hợp.

Nắm được khái niệm về ước lượng entropy, ước lượng không tham số.

Nắm được ví dụ về ứng dụng ước lượng trong lớp bài toán nhận dạng.


Lý thuyết

- Thời gian:

Lý thuyết: 3t

- Địa điểm:

11



3.4. Mô hình hỗn hợp.

3.5. Ước lượng Entropy.

3.6. Ước lượng không tham số.




+ Nắm chắc kiến thức về ước lượng các tham số cho hàm mật độ xác suất,

làm bài tập tương ứng.


Bài giảng 7: Sự phân lớp dựa trên láng giềng gần nhất

Chương IV - Mục: 4.1 - 4.4



Nắm tốt khái niệm phân lớp dựa trên láng giềng gần nhất.

Nắm chắc phương pháp phân lớp dựa trên k láng giềng gần nhất.

Nắm chắc một số ví dụ minh họa trên lớp sử dụng phân lớp bằng láng

giềng.


Lý thuyết

- Thời gian:

Lý thuyết: 3t ;

- Địa điểm:



4.1. Phương pháp láng giềng gần nhất.

4.2. Phương pháp k láng giềng gần nhất.

4.3. Một số ví dụ về phương pháp láng giềng trong nhận dạng.


+ Chuẩn bị tài liệu 3,4,5.

+ Chuẩn bị trước nội dung học tập theo slide. Gửi bài tập về chương 4.

12

+ Chuẩn bị bài tập chương 5.


Bài giảng 8: Phân loại tuyến tính

Chương V - Mục: 5.1 - 5.2



Nắm được khái niệm phương pháp phân loại tuyến tính.

Nắm được phương pháp phân tích bài toán ứng với phân loại tuyến tính:

phân tích tính khả tách của các lớp đối tượng.

Nắm được phương pháp giả nghịch đảo để tìm hàm phân biệt tuyến tính.


Lý thuyết

- Thời gian:

Lý thuyết: 3t

- Địa điểm:



5.1. Hàm phân biệt tuyến tính.

5.2. Lớp khả tách tuyến tính.




+ Xây dựng chương trình phân loại tuyến tính sử dụng RBF.


Bài giảng 9: Phân loại tuyến tính (tiếp)

Chương V - Mục: 5.3 -5.4



Nắm được phương pháp đo lỗi trong bài toán phân loại tuyến tính.

13

Đối với bài toán chưa có khả năng phân loại tuyến tính, nắm được phương

pháp biến đổi đặc trưng mô tả đối tượng tương ứng.


Lý thuyết

- Thời gian:

Lý thuyết: 3t ;

- Địa điểm:



5.3. Phương pháp bình phương nhỏ nhất.

5.4. Biến đổi đặc trưng tuyến tính.




+ Tiếp tục hoàn thiện chương trình phân loại tuyến tính sử dụng RBF.

+ Bổ sung công cụ làm việc với ma trận.


Bài giảng 10: Phân loại phi tuyến

Chương VI - Mục: 6.1 - 6.2



Nắm được yêu cầu cần có giải pháp phân loại phi tuyến.

Nắm chắc được sự so sánh giữa phân loại tuyến tính và phân loại phi

tuyến.

Nắm được một số ví dụ tương ứng cần có giải pháp phân loại phi tuyến.


Lý thuyết

- Thời gian:

Lý thuyết: 3t ;

- Địa điểm:


14


6.1. Phân loại tuyến tính suy rộng.

6.2. Định lý lớp phủ.




+ Chuẩn bị kiến thức cho việc xây dựng chương trình sử dụng SVM.


Bài giảng 11: Phân loại phi tuyến (tiếp)

Chương VI - Mục: 6.3 - 6.4



Nắm được yêu cầu đối với phương pháp SVM.

Nắm được khái niệm về vector hỗ trợ.

Nắm chắc giải thuật SVM đối với bài toán phân loại.

Bên cạnh đó, nắm chắc phương pháp sử dụng SVM cho bài toán tìm đặc

trưng hữu ích cho bài toán phân lớp.


Lý thuyết

- Thời gian:

Lý thuyết: 3t ;

- Địa điểm:



6.3. Máy hỗ trợ vector.





+ Xây dựng chương trình sử dụng SVM cho bài toán đã nêu trong bài

giảng (nhận dạng chữ số, nhận dạng một đoạn âm thanh đọc số…)


15

Bài giảng 12: Mạng Neuron nhân tạo

Chương VII - Mục:7.1 - 7.2



Nắm chắc phương pháp phân tích đặc trưng ứng với bài toán phân loại sử

dụng mạng neuron.

Nắm chắc phương pháp biến đổi đặc trưng.

Nắm chắc kiến trúc mạng neuron ứng với một lớp bài toán cụ thể.

Nắm chắc phương pháp học của mạng neuron.

Nắm chắc phương pháp cập nhật trọng số ứng với mạng neuron đã thiết

kế (online và offline).


Lý thuyết

- Thời gian:

Lý thuyết: 3t ;

- Địa điểm:



7.1. Mạng perceptron nhiều lớp (MLP).

7.2. Huấn luyện mạng MLP.




+ Chuẩn bị kiến thức để xây dựng chương trình sử dụng MLP cho bài toán

phân lớp đã giới thiệu ở chương 1.


Bài giảng 13: Mạng Neuron nhân tạo (tiếp)




Nắm chắc kiến trúc mạng ứng với một số bài toán được giáo viên giới

thiệu.

16

Qua đó, tiến hành phân tích, xây dựng một ứng dụng được giới thiệu.


Lý thuyết + hướng dẫn thực hành

- Thời gian:

Lý thuyết: 3t ;

- Địa điểm:



7.3. Giới thiệu một số bài toán nhận dạng sử dụng mạng neural.





+ Xây dựng chương trình sử dụng MLP cho bài toán phân lớp đã giới

thiệu ở chương 1.


Bài giảng 14: Ứng dụng và thực hành




Nắm chắc yêu cầu đối với ứng dụng đã xây dựng từ các tuần 2 đến tuần

13.

Báo cáo các kết quả đã thực hiện trước lớp.

Chuẩn bị nội dung thi hết học phần.



- Thời gian:

Lý thuyết: 3t ;

- Địa điểm:



8.1. Giới thiệu một số ứng dụng trong thực tế.

17





+ Chuẩn bị báo cáo, chương trình và trình bầy trước lớp theo yêu cầu của

giáo viên.

+ Chuẩn bị bài tập lớn thi kết thúc học phần.

Bài giảng 15: Ứng dụng và thực hành (tiếp)




Nắm chắc yêu cầu đối với ứng dụng đã xây dựng từ các tuần 2 đến tuần

13.

Báo cáo các kết quả đã thực hiện trước lớp (tiếp).

Chuẩn bị nội dung thi hết học phần (tiếp).



- Thời gian:

Lý thuyết: 3t ;

- Địa điểm:



8.1. Giới thiệu một số ứng dụng trong thực tế.





+ Tiếp tục báo cáo, chương trình và trình bầy trước lớp theo yêu cầu của

giáo viên.

+ Chuẩn bị bài tập lớn thi kết thúc học phần.

18

8. Chính sách đối với học phần và các yêu cầu khác của giáo viên

Tham gia học tập đầy đủ: có điểm danh, không mất trật tự, đi học đúng giờ

Làm bài tập, tham gia thảo luận: làm đủ bài tập, tham gia các buổi thảo

luận

Kiểm tra, thi: Luôn bao gồm 2 phần lý thuyết và thực hành với trọng số

như nhau

Học viên có thể được đặc cách miễn thi nếu tham gia tốt quá trình học tập

và đạt kết quả xuất sắc trong các bài kiểm tra định kỳ, tích cực tham gia thảo

luận.

9. Phương pháp, hình thức kiểm tra - đánh giá kết quả học tập học phần

Phân chia các mục tiêu cho từng hình thức kiểm tra - đánh giá

9.1. Kiểm tra – đánh giá thường xuyên

Kiểm tra 2 lần. Lần 1 sau khi kết thúc tuần 6. Lần 2 sau khi kết thúc tuần

14.

9.2. Kiểm tra - đánh giá định kì: Bao gồm các phần sau (trọng số của từng

phần do giảng viên đề xuất, chủ nhiệm bộ môn thông qua):

- Tham gia học tập trên lớp (đi học đầy đủ, chuẩn bị bài tốt và tích cực thảo

luận,…): 10%;

- Hoàn thành tốt Bài tập về nhà , Kiểm tra giữa kỳ: 20%;

- Kiểm tra - đánh giá cuối kì 70%;

Chủ nhiệm Khoa

(Ký và ghi rõ họ tên)

4// Đào Thanh Tĩnh

Chủ nhiệm Bộ môn


2// Ngô Hữu Phúc

Giảng viên biên soạn


TS Ngô Hữu Phúc

ĐỀ cƯƠng chi tiẾt hỌc phẦn nhẬn dẠng mẪu

Documents